СИСТЕМА БИОМЕТРИЧЕСКОЙ ДВУХФАКТОРНОЙ АУТЕНТИФИКАЦИИ C ОБНАРУЖЕНИЕМ ВИТАЛЬНОСТИ ЛИЦА
Старицын Никита
Обеспечение безопасности данных в информационных системах достигается созданием многоуровневой системы защиты, в которой ключевую роль играют методы предотвращения несанкционированного доступа. Одним из самых популярных способов биометрической идентификации пользователей является использование изображения лица. Этот подход отличается простотой в применении, но и подвержен фото-атакам. Для повышения эффективности безопасности идентификации пользователей последнее время начали использоваться методы двухфакторной биометрической аутентификации, в том числе с определением признаков живого человека [4-5].
Биометрическая аутентификация, основанная на анализе тепловизионных изображений, обладает рядом преимуществ:
- удобство использования за счет отсутствия необходимости в физическом контакте;
- биометрические данные не могут быть утеряны или забыты, поскольку они являются неотъемлемой частью личности пользователя;
- подделка и передача биометрических данных значительно усложнены.
Этот метод позволяет более эффективно противодействовать попыткам обмана системы с использованием трёхмерных масок, имитирующих человеческое лицо (рис. 1).

Рис. 1 – Макет головы человека для обхода системы
В литературе подробно рассмотрены отечественными и зарубежными авторами методы распознавания личности человека по тепловому изображению [1, 6, 7].
Один из методов [1] предлагает алгоритм определения выделения лица пользователя на тепловизионном изображении. Это решение базируется на применении
опорных точек в зоне интереса, с фокусом на внутренних углах глаз. Эффективность использования этих меток заключается в том, что они позволяют вычислить размеры лица и определить расположение его ключевых элементов, используя пропорциональные коэффициенты. Недостаток указанного решения заключается в определении участков лица на тепловизионном изображении, такой метод не будет работать в случае с людьми, имеющими гипертермию. В предлагаемом методе определения участков лица человека на тепловизионном изображении сначала производится анализ лица человека на оптическом изображении с помощью нейросети, затем переносятся ключевые точки, определяющие лицо человека на тепловизионное изображение.
Второй метод основан на глубоких нейронных сетях [5]. В данном методе применяется нелинейная регрессионная модель для преобразования теплового изображения в видимый формат. При этом решается задача оптимизации, которая сохраняет целостность формы лица, что позволяет сгенерировать синтезированное изображение в видимом спектре. Недостаток данного метода заключается в необходимости использования биометрических баз данных лиц.
Третий метод [7] заключается в расположении нескольких точек, основанных на венах и капиллярах, пересекающих лицо. Эти точки выбираются в качестве вектора признаков, и для построения классификатора используется алгоритм случайного леса (Random Forest). Недостатком данного метода является вычислительная сложность и необходимость формирования базы данных UCH-TTF для 50 изображений более месяца.
Предлагаемый способ теплографического сканирования осуществляет автоматическую идентификацию для подтверждения уровня доступа к защищенной информации. Результат достигается с помощью совместного использования телевизионных камер оптического и тепловизионного назначения с применением алгоритма глубокого обучения искусственной вычислительной нейронной сети [5].
Сперва, стоит рассмотреть алгоритм для оптической камеры. Первым делом захватывается изображение с оптической камеры, после чего производится анализ лица человека, в результате которого получается массив из 68 точек, определяющих лицо человека (рис. 2).

Рис. 2 – Точки, описывающие лицо человека
Затем на основе полученных точек производится анализ признаков живого человека, посредством алгоритма, описанного ниже. После подтверждения факта живого присутствия система выполняет поиск лица в базе данных зарегистрированных пользователей. Если пользователь найден, ему предоставляется доступ к системе. Для распознавания лиц используется сверточная нейронная сеть (CNN), которая применяет алгоритм Max-Margin Object Detection (MMOD) [8] для повышения точности результатов. Человеческий организм, температура которого колеблется от 32 до 42 градусов Цельсия, является источником инфракрасной энергии. Основной объем энергии, испускаемой кожным покровом, приходится на диапазон длин волн от 4 до 50 мкм, а пик плотности излучения находится на уровне 10 мкм. Волны длиной до 5 мкм составляют всего 1% общего излучения, диапазон от 5 до 9 мкм охватывает 20%, от 9 до 16 мкм — 30%, тогда как длинноволновое излучение занимает 41% спектра. Кожа человека способна как к поглощению, так и излучению длинноволнового инфракрасного излучения, не имея привязки к возрасту субъекта, степени пигментации кожи и т.д. Возможности медицинского диагностирования с помощью использования тепловидения имеют основу на базе оценки особенности распределения инфракрасного излучения двух диапазонов (3 – 5 мкм, 8 – 13 мкм) на поверхности тела человека. Тепловые излучения человеческого тела пропорциональны изменяются от температуры кожи. Тепловая картина – это результат распознавания двух факторов: сосудистого фактора и метаболизма. При проведении анализа термографических изображений вышеперечисленные факторы являются главными, определяющими процесс формирования изображения тепловизионных симптомов.
Первый этап заключается в предварительной обработке полученного изображения. Минимальные и максимальные температуры, характерные для физиологических параметров организма человека, применяются для вычисления порогового значения. В каждой строке изображения определяются левые и правые границы лицевой области, а также верхняя точка лица [6].
На втором этапе выполняется расчёт мод для левых и правых границ области. Экспериментальные исследования показали, что модальные значения ширины области совпадают с реальными размерами лица [7]. Используя пропорции лица, а также данные о верхней точке и средней ширине, осуществляется вычисление положения линии глаз.
Третий шаг заключается в определении точного положения линии глаз. Известно, что глаза располагаются в областях с повышенной температурой, что требует идентификации максимальных температурных значений в заданном диапазоне. Из полученных данных выбирается строка, где температурный пик симметрично расположен по отношению к средней линии лица, а разница между пиком и впадиной превышает пороговое значение в 0.5 °C [5].
Четвертый шаг включает сегментацию лица. На изображении размещаются метки для обозначения глаз объекта. На основе расчетов ширины области лица определяются длина, ширина и положение верхнего угла прямоугольника, который используется в качестве границы зоны распознавания. Визуальная демонстрация работы этого метода сегментации лица показана на рис. 3.
На основе выборки, проведенной по количеству сегментированных лиц, точность корректного распознавания составила 98%. Оставшаяся часть снимков была распознана неверно из-за размытой термограммы. Экспериментально было установлено, что определенные факторы не влияют на качество термографического распознавания. Например, движение объекта во время съемки вызвало искажения термальных данных, что привело к некорректной сегментации. Однако факторы, такие как изменение прически, наличие бороды и усов, а также температурные условия, не оказали влияния
на качество термограмм. Снимки, сделанные как в помещении, так и на улице зимой, успешно прошли процесс сегментации.
Определение признаков живого человека по тепловому излучению осуществляется с использованием статичных изображений. Для этого потребуется заранее подготовленные массивы биометрических данных. Подобных систем существует несколько, наиболее перспективной является нейросетевая аутентификация на основе анализа данных теплографического сканирования биометрических данных личности, которая нашла свое применение как в системах аутентификации/идентификации. В связи с этим, для начала, важно рассмотреть принципы работы оптических и тепловизионных камер, чтобы понимать их роли в биометрической аутентификации. Оптическая камера функционирует за счёт улавливания световых волн в видимом спектре, которые отражаются от объектов. Эти световые волны проходят через систему линз, где происходит преломление и фокусировка света на светочувствительном сенсоре (CCD или CMOS). Линзы корректируют направление световых лучей, чтобы они сходились в точке фокуса, что позволяет камере создавать чёткое изображение. Основные характеристики оптической системы включают радиус кривизны поверхностей, толщину линз и индекс преломления материалов [2]. На сенсоре происходит фотоэлектрический эффект — фотоны, достигающие сенсора, высвобождают электроны, создавая электрические сигналы, пропорциональные интенсивности света. Эти сигналы обрабатываются и преобразуются в цифровое изображение, которое затем может быть использовано для анализа лиц.
Тепловизионная камера работает на основе измерения инфракрасного излучения, испускаемого объектами с температурой выше абсолютного нуля (-273,15 °C). Согласно физическим законам, любой объект с температурой излучает электромагнитные волны, длина которых зависит от температуры объекта. Тепловизионные камеры работают в диапазоне, известном как тепловое инфракрасное, где наиболее распространенными температурами земной поверхности являются: от 8 до 14 микрон, что примерно от -20 до 350 ° С [3]. Чем выше температура объекта, тем интенсивнее его излучение. Камера измеряет это излучение и на основе различий в температуре создаёт тепловую карту объекта, отображая его в виде изображения, где цветовые градации соответствуют различным уровням температуры. Этот принцип основан на законах Планка и Стефана-Больцмана, которые описывают распределение и интенсивность инфракрасного излучения в зависимости от температуры объекта.
Разберемся, в чем заключается методология работы алгоритма тепловизионного распознавания. Алгоритм начинает свою работу при получении изображения человека в тепловизионном канале, затем проходит наложение оптического изображения на тепловизионное, с последующим выстраиванием важных точек. Следующим этапом выступает анализ и сравнение пиковых температурных показателей со показателями средней температуры человека, заключительным этапом выступает подтверждение объекта, представляющее собой проверку на подлинность образа перед тепловизионной камерой. По итогу проверки изображения алгоритмом, получается тепловизионное изображение, с отображением температурных показателей сканируемого субъекта (рис. 3).

Рис. 3 – Выделение точек на оптическом и тепловизионном снимках
В заключении можно сказать, что нейронные сети на базе глубокого обучения хорошо показали себя в сфере сканирования фотографий людей, и являются достойным инструментом для обеспечения информационной безопасности предприятия, ввиду их точной работы, с крайне малыми погрешностями. Использование нейросетей вместе с предоставленным выше методом определение признаков живого человека позволяет повысить эффективность идентификации пользователя в системе от 95% и выше. Теоретически обойти данный метод возможно, однако создать трехмерную модель головы пользователя, зарегистрированного в базе данных, с тепловыми участками, соответствующими теплографической картине пользователя практически невозможно.
Список литературы
- Алгоритм автоматического выделения лица на термографических изображениях [Электронный ресурс]. URL: https://www.graphicon.ru/html/2010/conference/Biometry/076.pdf (дата обращения: 02.05.2024).
- Богачев Ю.В., Вяткин В.М., Кузьмина Н.Н., Лоскутников В.С., Морозов В. В., Шишкина М.Н. Оптика и атомная физика [Электронный ресурс]. URL: https://www.physicsleti.ru/labs/Methodichki/3semestr/LabRaboti2020NEW_1_17_variant3.p df.
- Прошкин С.С. К вопросу о точности измерения температуры с помощью тепловизора. [Электронный ресурс]. URL: https://cyberleninka.ru/article/n/k-voprosu-o- tochnosti-izmereniya-temperatury-s-pomoschyu-teplovizora (дата обращения: 02.07.2024).
- Artificial Intelligence (AI) vs. Machine Learning vs. Deep Learning [Электронный ресурс]. URL: https://pathmind.com/wiki/ai-vs-machine-learning-vs-deep- learning (дата обращения: 02.07.2024).
- Face Space Representations in Deep Convolutional Neural Networks [Электронный ресурс]. URL: https://www.sciencedirect.com/science/article/abs/pii/S1364661318301463 (дата обращения: 02.07.2024).
- Karneev systems [Электронный ресурс]. URL: https://www.karneev.com/stati/koronavirus-ili-teplovizor-kto-kogo/ (дата обращения: 02.07.2024).
- Lin, S.D., Chen, L. & Chen, W. Thermal face recognition under different conditions. BMC Bioinformatics 22 (Suppl 5), 313 (2021). [Электронный ресурс]. URL: https://doi.org/10.1186/s12859-021-04228-y (дата обращения: 02.07.2024).
- Rosebrock A. Face detection tips, suggestions, and best practices [Электронный ресурс]. URL: https://pyimagesearch.com/2021/04/26/face-detection-tips- suggestions-and-best-practices (дата обращения: 02.07.2024).